用于电商查询分类的半监督可扩展统一框架

查询分类（包括意图预测和类别预测等多个子任务）对电商应用至关重要。电商查询通常较短且缺乏上下文，且标签间的信息无法被利用，导致建模的先验信息不足。大多数现有的工业查询分类方法依赖用户的后验点击行为来构建训练样本，导致马太效应恶性循环。此外，查询分类的各子任务缺乏统一框架，降低了算法优化的效率。本文提出了一种新颖的半监督可扩展统一框架（SSUF），包含多个增强模块以统一查询分类任务。知识增强模块利用世界知识增强查询表示，解决查询信息不足的问题。标签增强模块利用标签语义和半监督信号减少对后验标签的依赖。结构增强模块基于复杂的标签关系增强标签表示。每个模块高度可插拔，可根据各子任务的需要添加或移除输入特征。我们进行了大量离线和在线 A/B 实验，结果表明 SSUF 显著优于 SOTA 模型。